Май-Foods (Май-Фудс) (Novo Forecast Enterprise)

2021

Компания «Май-Foods» занимается производством и дистрибуцией чая и кофе, имеет 6 основных брендов. Производит более 25 000 тонн продукции в год и занимает 22% доли внутреннего рынка.

У каждого из отделов в компании был свой прогноз спроса и своё видение процесса. Зачастую эти данные не пересекались и не существовало единого алгоритма, исходя из которого, можно было планировать будущий объем продаж. Аккуратность прогноза спроса была крайне низкая (от 15 до 50%) и не учитывала множество важных факторов.

Экономические потери из-за неточности прогноза спроса могут быть колоссальными. Исходя из этого в компании пришли к выводу, что нужно работать сообща, чтобы каждый отдел работал с едиными данными в едином пространстве для планирования.

Компания большая, работает не только на территории РФ, стран СНГ, но и многих других. В большинстве из них не растут чай и кофе, а значит достаточно большое логистическое плечо. Кроме того, использование всех возможных каналов продаж: сетевой ритейл, национальные и локальные сети, традиционная торговля через дистрибьюторы, существенно увеличивает объем данных, которые необходимо учитывать.

Компания пришла к планированию в Excel, данные собирались раз в месяц, но возникла другая проблема: невозможно учесть все. Для корректного прогноза необходимо считать не только объем и вес, а еще стоимость и количество в штуках.

Есть факторы, можно проанализировать сразу на промо-календаре, а есть те, которые зависят от уровня базовой линии, иногда есть только промо, но нет регулярных продаж, есть инвестиции в клиента. «Группа Астра» в свободном доступе опубликовала курс по российской службе каталога ALD Pro для обучения администраторов 4.2 т

Когда в компании поняли, что Excel не идеал, не покрывает все необходимые потребности, стали искать другие варианты планирования. Решением стала цифровая система, где искусственный интеллект с помощью алгоритмов машинного обучения анализирует весь объем данных и считает прогноз, учитывая факторы структурного изменения спроса: листинги, делистинги, различных блокировок, промо и еще около сотни различных тонкостей настройки расчёта прогноза.

Система быстро адаптируется, как только появляется новая информация, она пересчитывает данные и выдает результат. Можно выбрать любую сеть, провалиться до конкретного товара в ней и посмотреть, какое количество дней у него по гайдлайнам, сколько времени запланировано на промо, какие отклонения, сколько SKU в матрице и так далее.

Результаты использования системы планирования

• Следующий шаг — создание контура согласования трейд-маркетинговых акций непосредственно в единой цифровой платформе.
• На очереди — прогнозировать коммерческую прибыль. Уже есть прогноз по выручке, к нему необходимо добавить несколько факторов: себестоимость, коммерческие условия, затраты на промо и получить быстрый расчет прогноза прибыли.
• Сегодня в компании ушли от расчёта базовой линии, основываясь на дистрибуции и выдуманных офтейках, теперь все данные основываются на статистике продаж, очищая от промо, используется разная глубина, в зависимости от особенностей клиента или территории.
• Если раньше аккуратность прогноза была достаточно турбулентной, то сейчас ее удалось стабилизировать до 68% (рост точности на 20%, благодаря цифровизации процессов прогнозирования и планирования) и сделать так, чтобы она продолжала постоянно увеличиваться.